OpenAI们最尴尬的地方，不是模型不够强，而是模型太强之后，账本可能反过来咬自己。
过去谈AI自动化，很多人会很快滑向UBI：机器干活，人拿基本收入，社会重新分配。听起来像一个技术乌托邦。但最近一篇《The Dead Economy Theory》把问题拧得更紧：如果AI公司的数千亿美元估值，要靠替代全球劳动力来兑现，那它们省下的工资，可能也是被它们亲手砍掉的市场。
这比“谁给失业者发钱”更尖锐。
因为它问的是：当越来越多企业用AI少雇人，谁还有收入去买AI服务？谁还有税基去支撑UBI？谁还有劳动筹码去参与分配？
这场讨论变了：从UBI，变成AI估值的底层账本
眼前的事实不复杂：
- OpenAI、Anthropic、Google DeepMind、Meta AI、Microsoft等玩家，正在把AI基础设施投入推到数千亿美元量级。
- 这么大的投入，需要一个足够大的市场来解释。
- 消费级订阅不够.企业软件也未必够。
- 真正能撑起故事的，是全球劳动力市场。
这就是《The Dead Economy Theory》补上的关键一刀：AI不是只在卖“助手”，它也在卖“少雇人”。
公开话术里，大家喜欢说copilot、assistant、augmentation。听起来温和，像给人加一只机械臂。
但资本市场看的往往更直白：单位人力成本能不能降，招聘能不能冻结，外包能不能取消，初级岗位能不能压缩。
GDPVal、Mercor的AI Productivity Index这类评测之所以会被盯上，也不是因为大家突然迷恋跑分。它们测的是模型在房地产经纪、新闻分析、投行、咨询、法律、医疗等职业任务上的表现。
表面是能力测试。
商业含义是：哪些岗位的价格可以被压低，哪些任务可以被软件接走。
这件事最直接影响两类人：
| 对象 | 现实影响 |
|---|---|
| 白领初级岗位 | 分析师、程序员、客服、法务助理、内容分析等任务更容易被拆掉、压价或外包给AI系统 |
| 企业管理层 | AI采购不再只是效率工具，而会被财务部门和投资人拿来对照人力预算 |
普通用户暂时未必有强烈体感。你可能只是多了一个便宜好用的AI工具。
真正先被挤压的，是那些原本靠“做基础任务、积累经验、慢慢升级”的岗位。
企业的理性，会变成整个市场的坏账
《The Dead Economy Theory》引用了沃顿学者Brett Hemenway Falk和Gerry Tsoukalas关于“The AI Layoff Trap”的研究。这个概念很像一个现代版囚徒困境。
单个企业用AI裁员，收益很清楚：成本降了，利润率好看，股价可能受奖励。
代价也存在：失业者收入下降，消费减少，税基变薄。
但这个代价不是一家企业独自承担。它被摊进整个社会。
于是每个企业都有动力先砍人。谁慢，谁的利润表难看。谁克制，谁可能被资本市场惩罚。
原文提到一个例子：Block在2026年2月宣布裁员逾4000人，并把AI编码代理纳入叙事后，盘后股价大涨。这个例子不能证明AI已经造成宏观需求收缩，但它至少说明资本市场怎样给“少雇人”定价。
这才是最麻烦的地方。
AI是否完美，反而不是第一变量。管理层真正怕的是，竞争对手先用AI把人力成本打下来，自己还在讲组织温情。
天下熙熙，皆为利来。古话不好听，但适合这张财务表。
如果奖励机制只奖励裁员，不奖励需求承接，那么“提效”就会一路滑向“抽干客户池”。省下的人，不会自动变成未来的新消费者。
UBI叙事最虚的地方：它假设税基还在
过去谈AI和UBI，有一个常见想象：AI公司赚大钱，政府征税，再给大众发钱。
逻辑看似顺。
问题在于，钱从哪里征？
如果劳动收入被压低，所得税、消费税、社保缴费都会承压。大量人的收入下降后，消费也不会只下降在别人的行业里。企业客户、个人订阅、广告市场、金融服务，都会被波及。
这也是我一直不太买账“AI自动化之后自然进入UBI时代”的原因。UBI不是一个按钮。它需要税制、政治共识、执行能力，还需要资本愿意被重新分配。
而现实更可能是另一种顺序：
- 企业先用AI压低成本；
- 劳动者先承受岗位和工资压力；
- 政府税基后知后觉变薄；
- 再谈UBI时，财政空间已经更窄；
- AI公司继续卖订阅，但潜在客户的支付能力被削弱。
这就是旧问题的新账本：UBI不是AI自动化的自然补丁，它更像自动化失控后的政治修理费。
修理费谁出，目前没人真想说清。
历史没有免死金牌，速度才是分水岭
乐观派常说，农业革命、工业革命也替代过工作，最后都创造了新岗位。
这话有道理。MIT经济学家David Autor曾指出，今天约六成岗位在1940年并不存在。技术确实会创造新职业。
但历史类比只能用三成。
农业劳动力转移花了上百年。工业革命里，被机器挤掉的工人，也经历过漫长的工资停滞和城市贫困。社会最后吸收了冲击，不代表每一代人都平稳过关。
AI的特殊之处在速度。
如果白领任务在几年内被大规模拆解，初级律师、分析师、程序员、客服主管、内容运营，等不到“长期新岗位”慢慢长出来。对他们来说，长期是经济学家的时间单位，不是房租的时间单位。
更深的一层，是政治经济。
Anthropic CEO Dario Amodei曾公开说过，民主权力平衡依赖普通人通过创造经济价值拥有杠杆；如果这个基础消失，局面会变得可怕。
这句话并不激进。它只是把劳动市场的底牌翻出来：普通人之所以能谈工资、谈福利、谈权利，不是因为资本突然善良，而是因为他们还有用。
如果AI系统让大量人“没那么有用”，分配谈判会立刻变冷。
接下来别只看模型跑分，看三件更硬的事
模型能力还会涨，价格还会降，AI代理还会变得更像员工。这些都不新鲜。
更该盯的是三件事。
第一，企业AI采购是否开始绑定裁员KPI。
如果AI项目的成功指标从“提升产出”变成“减少多少人”，那自动化就不再是工具升级，而是组织收缩的外包接口。
第二，政策是否把税基从劳动转向资本、算力和自动化收益。
只靠工资税和消费税，很难支撑一个被AI压低劳动收入的社会。若AI替代劳动，却不承担相应公共成本，UBI只会停在演讲稿里。
第三，AI公司是否愿意支持约束过度自动化的制度设计。
比如透明披露AI替代对就业的影响，给再培训和岗位转换留出资金，或者接受更明确的自动化收益税。嘴上讲“赋能每个人”容易，真到利润表上让渡一部分，才见真章。
我对AI效率本身不悲观。很多工作确实会被做得更快、更便宜。问题不在模型，而在激励设计。
如果整个市场只奖励“用软件移除人工成本”，那AI公司最后会发现，它们赢下了劳动力市场，却输掉了需求市场。
模型看着更强，产品反而更虚。
因为一个没有足够收入人群的经济体，不会因为多几个智能体就自动繁荣。它只会更会算账，也更没有人买单。